Identification and Estimation of Causal Effects with Confounders Missing Not at Random
本文在混杂因素非随机缺失且缺失性与处理无关的假设下，建立了因果效应的可识别性，并提出加权估计方程方法及三种平均因果效应估计量，通过模拟和实际数据验证其有效性。
2023-10-30 stat.ME
Local search for efficient causal effect estimation
从观测数据中估计因果关系是一个具有挑战性的问题，特别是在高维数据和存在未观测变量的情况下。现有的数据驱动的方法来解决这个问题，要么提供一个因果效应的边界估计（即非唯一估计）或具有低效率。在协变量空间巨大且考虑未观测变量的情况下，如何快速找到合适的混杂控制调整集是获得唯一无偏因果效应估计的主要障碍。在本文中，我们接近的问题作为一个本地搜索任务，找到有效的调整数据集。我们建立的定理，以支持调整集的局部搜索，我们表明，唯一的和无偏的估计可以从观测数据，即使存在未观测变量。然后，我们提出了一个数据驱动的算法，是快速和一致的温和的假设。我们还利用频繁模式挖掘方法，以进一步加快搜索因果效应估计的最小调整集。在广泛的合成数据集和真实数据集上进行的实验表明，该算法在准确性和时间效率方面都优于最先进的标准/估计器。
2022-07-22 stat.ME
Causal aggregation: estimation and inference of causal effects by constraint-based data fusion
在因果推断中，通常估计单个治疗变量对结局的因果影响。然而，从业者也可能对同时干预对固定目标变量的多个协变量的影响感兴趣。我们提出了一种新的方法，允许使用来自不同实验的数据来估计联合干预的效果，其中只有很少的变量被操纵。如果只有很少的随机化数据或根本没有随机化数据，如果某些亲本集是已知的或工具变量是可用的，则可以使用观察数据集。如果联合因果效应是线性的，所提出的方法可以用于估计和推断的联合因果效应，我们的特征条件的可识别性。在过度识别的情况下，我们指出了如何利用多个数据集的所有可用的因果信息来有效地估计因果效应。如果协变量向量的维数很大，我们可能在每个数据集中只有几个样本。在稀疏性假设下，我们推导出在这种高维情况下的因果效应的估计。此外，我们将展示如何处理的情况下，缺乏实验的限制，防止直接估计的因果关系的影响。当联合因果效应是非线性的，我们的特征条件下，可识别性持有，并提出了一个非线性因果聚合方法的实验数据集类似的梯度提升算法，在每次迭代中，我们结合弱学习者训练不同的数据集上使用的唯一未混淆的样本。我们证明了所提出的方法的有效性模拟和半合成数据。
2022-11-22 stat.ME
NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation
Indian Institute of Technology Hyderabad（印度海得拉巴理工学院）
本文提出了一种名为NESTER的自适应神经符号方法，通过设计领域特定语言将现有基于多头神经网络的因果效应估计思想整合到统一框架中，并在理论和实验上均验证了其优于现有最先进方法的性能。
2024-01-08 cs.AI cs.LG stat.ME
Enhancing Causal Effect Estimation with Diffusion-Generated Data
本文提出ACEE方法，利用扩散模型生成合成数据模拟反事实场景，放宽无混杂假设并引入偏差校正机制，在存在未测量混杂时准确估计因果效应。
2025-04-04 stat.ME
Evaluation of Causal Structure Learning Algorithms via Risk Estimation
近年来，从数据中学习因果结构的方法取得了许多进展。然而，对这些方法的经验评估却发展得很不完善。出于这种差距，我们提出了以下问题：如何才能评估，在一个给定的问题设置，一个或多个因果结构学习方法的实际效果？我们正式的决策理论框架中的问题，通过预期损失或风险的因果设置的概念。我们引入了因果风险的理论概念以及可以从数据中计算的样本量，并从理论上和通过广泛的模拟研究来研究两者之间的关系。我们的研究结果提供了一个简单的框架，用于评估因果结构学习方法，可以应用于一系列实际用例。
2020-06-27 stat.ME
Identification and Estimation of Causal Estimands with Missing Not at Random Data
University of Dhaka（达卡大学）
本文针对非随机缺失数据下因果估计量不可识别的问题，提出基于完备性条件的识别框架和EM估计算法，并扩展至中介分析；模拟显示偏差显著低于完整案例分析与多重插补，NHANES应用验证了教育对抑郁的因果效应。
2026-09-18 stat.ME
Identification and Estimation of Causal Effects with Outcomes Truncated by Death
在医学研究中，关注的结局因死亡而截断是常见的，这意味着受试者在结局可测量之前已经死亡。在这种情况下，对幸存者的限制性分析可能会受到选择偏倚的影响。因此，估计存活者平均因果效应是有意义的，定义为在任一暴露条件下存活的受试者组成的亚组中的平均因果效应。本文研究了生存者平均因果效应的识别和估计问题。我们建议使用一个替代变量的地方的潜在的成员在总是幸存者组。替代变量所需的识别条件在概念上类似于条件工具变量的条件，可适用于随机化和观察性研究。我们发现，幸存者的平均因果效应是可识别的使用这样一个替代变量，并提出新的模型参数估计幸存者的平均因果效应，根据我们的识别假设。我们的方法说明通过模拟研究和数据分析。
2018-04-24 stat.ME
Exploiting independence constraints for efficient estimation of bounds on causal effects in the presence of unmeasured confounding
Columbia University（哥伦比亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出利用因果图结构中的条件独立性约束，改进半参数估计器在非可识别设置中对因果效应上下界估计的效率，通过模拟和真实数据示例验证了方法的有效性。
2026-06-23 stat.ME
Towards unique and unbiased causal effect estimation from data with hidden variables
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
从观测数据中估计因果关系是一项重要但具有挑战性的任务。目前，只有有限数量的数据驱动的因果效应估计方法可用。这些方法要么仅提供治疗对结果的因果效应的约束估计，要么产生因果效应的唯一估计，但对数据进行强假设，效率较低。在本文中，我们确定了一个实际的问题设置，并提出了一种方法来实现唯一的和无偏估计的因果关系的数据与隐藏变量。对于这种方法，我们已经开发了定理，以支持发现适当的协变量集的混淆调整（调整集）。在此基础上，提出了两种从含有隐变量的数据中寻找适当的调整集以获得无偏唯一因果效应估计的算法。使用五个基准贝叶斯网络和四个真实世界的数据集生成的合成数据集的实验证明了所提出的算法的效率和有效性，表明所确定的问题设置的实用性和所提出的方法在现实世界中的应用潜力。
2020-11-07 cs.AI stat.ME
Robust Bayesian causal estimation for causal inference in medical diagnosis
本文针对高维医学诊断中的因果效应估计问题，提出基于先验敏感性分析的谨慎贝叶斯组LASSO变量选择框架，并证明在信息有限时弃权选择或专家启发式选择可提升因果估计的稳定性。
2024-11-19 stat.AP stat.ME
Estimation of causal effects with multiple treatments: a review and new ideas
倾向得分是估计观察数据中二元治疗因果效应的常用工具。在这种情况下，对倾向得分进行匹配、子分类、插补或逆概率加权可降低治疗组和对照组之间的初始协变量偏倚。然而，对于两种以上的治疗方案，因果效应的估计需要额外的假设和技术，其实施在各个学科中有所不同。本文回顾了目前的方法，并确定和对比的处理效应，每一个估计。此外，我们提出了可能的匹配技术，用于多个，名义上的分类治疗，并使用模拟来显示这些算法可以产生改进的协变量之间的相似性匹配集，相对于匹配前的队列。总而言之，这份手稿提供了一个大纲，说明如何标注和使用因果方法进行分类处理。
2017-01-19 stat.ME
On Instrumental Variables Estimation of Causal Odds Ratios
因果效应的推断可以受益于工具变量（IV）的可用性，根据定义，工具变量（IV）与给定的暴露相关，但与感兴趣的结果无关，除非通过因果暴露效应。工具变量的估计方法现在已经很好地建立了连续的结果，但对二分法的结果要少得多。在这篇文章中，我们回顾了IV估计的所谓的条件因果比值比表示的效果，任意暴露的二分结果的暴露水平，工具变量和测量的协变量的条件。此外，我们提出了所谓的边际因果比值比的IV估计，表示在人口水平上的二分结果的任意暴露的影响，因此更大的公共卫生相关性。我们探索不同的估计之间的相互联系，并支持广泛的模拟研究和三个应用程序的结果。
2012-01-12 stat.ME
Identification and estimation of causal effects in the presence of confounded principal strata
主要分层已成为一个流行的工具，以解决广泛的一类因果推断问题，特别是在处理不遵守和截断的死亡问题。在这些研究中，由中间变量的联合潜在值确定的主要层内的因果效应，也称为主要因果效应，通常是感兴趣的。文献中观察数据的主要因果效应分析主要依赖于治疗分配的可重复性，这要求从业者准确测量尽可能多的协变量，以便捕获所有可能的混杂来源。然而，在观察性研究中收集所有潜在的混杂因素通常是困难和昂贵的，因此可验证性假设可能是值得怀疑的。在本文中，通过利用已越来越多地用于处理不受控制的混杂的可用阴性对照，我们考虑识别和估计的因果关系时，治疗和主要分层被混淆的未观察到的变量。具体来说，我们表明，主要的因果效应可以通过调用一对负控制，都需要不直接影响结果的非参数化识别。然后，我们放松这一假设，并建立各种半参数或参数模型下的主要因果效应的识别。我们还提出了一个估计方法的主要因果效应。广泛的模拟研究表明，所提出的方法和一个真正的数据应用程序从全国青年男子纵向调查的良好性能。
2022-06-17 stat.ME
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University（纽约大学）；Genentech（基因泰克）；Center for Data Science, New York University（纽约大学数据科学中心）；Prescient Design, Genentech（基因泰克预见设计部）
本文提出黑盒因果推断（BBCI），将因果效应估计转化为数据集层面的元预测问题，通过从采样的数据集-效应对中学习构建估计器，在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediators
因果中介分析关注的是治疗影响结果的途径。虽然大多数的调解文献集中在设置与一个单一的调解人，一个蓬勃发展的研究线已经检查设置涉及多个调解人，根据路径特异性效应（PSE）往往是感兴趣的。我们考虑估计PSE时，处理效应通过K（\geq 1）因果有序，可能是多变量介质。在这种情况下，许多因果路径的PSE没有非参数化确定，我们专注于一组PSE下珍珠的非参数结构方程模型确定。这些PSE被定义为2^{K+1}个潜在结果的期望之间的对比，并通过我们所谓的广义中介功能（GMF）来识别。我们介绍了一系列的回归插补，加权，和“混合”估计，特别是，两个K+2-鲁棒和局部半参数有效估计的GMF。后者的估计是非常适合使用的数据自适应方法来估计他们的滋扰功能。我们建立了半参数效率的滋扰功能所需的速率条件。我们还讨论了我们的框架如何适用于几个被估量，可能是特别感兴趣的实证应用。所提出的估计与模拟研究和实证例子说明。
2021-11-10 stat.ME
A Note on the Estimation Method of Intervention Effects based on Statistical Decision Theory
本文利用结构方程模型和因果图，讨论了统计因果分析中的干预效果估计问题。干预效果被定义为当因果变量$X$通过外部操作被固定为特定值时对响应变量$Y$的因果效果，并且基于因果图被定义。干预效果被定义为因果图中概率分布的函数，然而，通常这些概率分布是未知的，因此需要根据数据来估计它们。换句话说，使用因果图估计干预效果的步骤如下：1.从数据中估计因果关系图，2。根据数据估计因果图中的概率分布。计算干预效果。然而，如果在统计决策论的框架内对干预效果进行估计，那么用这种方法进行的估计就不一定是最优的。在这项研究中，我们制定了两种情况下的干预效果的估计问题，情况下的因果图是已知的情况下，它是未知的情况下，在统计决策论的框架，并推导出贝叶斯准则下的最优决策方法。我们通过数值模拟表明所提出的方法的有效性。
2019-01-16 stat.ME
Synthetic estimation for the complier average causal effect
本文提出了一种改进的编译平均因果效应（CACE）估计。在不依从性研究中，研究者通常会选择一个假定为无偏估计量的CACE估计量，而其他低方差估计量可能是可用的。我们提出了一个综合估计，结合所有可用的估计信息，利用低方差估计的效率，同时保持低偏差。我们的方法最小化的候选估计的所有凸组合的均方误差的估计。我们推导出合成估计量的渐近分布，并在模拟中证明了其良好的性能，显示了鲁棒性，甚至包括高偏差估计。
2019-09-12 stat.ME
Bayesian Sensitivity Analysis for Causal Estimation with Time-varying Unmeasured Confounding
Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·兰纳公共卫生学院）；Public Health Ontario（安大略省公共卫生局）；Rutgers School of Public Health, Rutgers University（罗格斯大学罗格斯公共卫生学院）；Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children（儿童医院胃肠病学、肝病营养科）；University of Utah and Intermountain Healthcare Primary Children’s Hospital（犹他大学和山脊医疗初级儿童医院）；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学卫生政策、管理与评估研究所）
本文提出两种贝叶斯敏感性分析方法，用于估计存在时间变化未测量混杂因素的纵向观察数据中的治疗效应，并通过模拟和实际数据验证其有效性。
2025-06-12 stat.ME
Causal Sufficient Dimension Reduction for Multiple Continuous Exposures with an Application to Environmental Mixtures
Emory University（埃默里大学）
提出因果充分降维（CSDR）框架，通过低维暴露摘要表征因果暴露-反应曲面，并设计两阶段估计器，在环境混合物研究中验证其有效性。
2026-06-16 stat.ME
Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中，我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维，以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明，吸烟频率会显著增加医疗费用，而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
Causal Network Discovery from Interventional Count Data with Latent Linear DAGs
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于潜在线性高斯DAG模型的因果发现方法，用于处理具有潜在状态异质性的干预计数数据，通过稀疏逆矩阵估计提供理论保证。
2026-03-26 stat.ME
Efficient nonparametric estimation of causal mediation effects
项目评估和科学研究的一个基本目标是调查因果机制。在过去的几十年里，因果中介分析被用于医学和社会科学，将处理效应分解为自然的直接效应和间接效应。然而，所有现有的中介分析方法都以这样或那样的方式依赖于参数建模假设，通常需要研究人员指定涉及治疗，中介，结果和治疗前混杂因素的多元回归模型。为了克服这一局限性，我们提出了一种新的非参数估计方法的因果中介分析，消除了应用研究人员模型多个条件分布的需要。所提出的方法通过加权每个观察值来平衡治疗组和对照组之间的经验矩;特别是，我们建立了所提出的估计量是全局半参数有效的。我们还展示了如何一致地估计所提出的估计量的渐近方差，而无需额外的努力。最后，我们将所提出的方法扩展到其他相关的设置，包括因果中介分析与多个调解人。
2016-01-14 stat.ME
Reevaluating Causal Estimation Methods with Data from a Product Release
Microsoft（微软）；Microsoft Research（微软研究院）
本文通过新产品发布实验数据评估了因果估计方法的有效性，发现通过精心建模可以准确恢复真实因果效应，为现代高维数据集中的处理效应估计提供了最佳实践。
2026-10-27 econ.EM stat.ME
Bayesian Model Averaging for Causality Estimation and its Approximation based on Gaussian Scale Mixture Distributions
Waseda University（早稻田大学）
在线性结构因果模型（SCM）下的因果效应估计中，通常的做法是首先识别因果结构，估计概率分布，然后计算因果效应。然而，如果目标是估计因果效应，则没有必要固定单个因果结构或概率分布。在本文中，我们首先从贝叶斯的角度表明，它是贝叶斯最优的加权（平均）的因果效应估计在每个模型下，而不是估计在一个固定的单一模型的因果效应。这个想法也被称为贝叶斯模型平均。虽然贝叶斯模型平均是最佳的，但随着候选模型数量的增加，加权计算在计算上变得困难。我们开发了一个近似的贝叶斯最优估计使用高斯尺度混合分布。
2021-03-15 cs.LG stat.ME stat.ML
Causal Estimation with Functional Confounders
New York University（纽约大学）；Columbia University（哥伦比亚大学）
因果推断依赖于两个基本假设：可解释性和积极性。我们研究因果推断时，真正的混杂值可以表示为一个函数的观察数据，我们称之为设置估计与功能性混杂（EFC）。在这种情况下，可解释性得到了满足，但肯定性被违反了，一般来说，因果推断是不可能的。我们考虑两种情况下的因果关系是可估计的。首先，我们讨论干预的一部分，称为功能性干预和充分条件，这些干预措施的效果估计称为功能性积极性。第二，我们开发的非参数效应估计的基础上的梯度场的功能混淆和真正的结果函数的条件。为了估计这些条件下的效果，我们开发了水平集正交下降估计（LODE）。此外，我们证明LODE的效果估计的误差范围，评估我们的方法模拟和真实的数据，并实证证明EFC的价值。
2021-02-17 cs.LG stat.ME stat.ML
A Bayesian Nonparametric Model for Zero-Inflated Outcomes: Prediction, Clustering, and Causal Estimation
研究人员通常对预测结果感兴趣，进行聚类分析以检测其数据的不同亚组，或计算因果处理效应。表现出偏态和零膨胀的病理数据分布使这些任务复杂化-需要高度灵活的数据自适应建模。在本文中，我们提出了一个完全非参数贝叶斯生成模型，连续，零膨胀的结果，同时预测结构零，捕获偏度，并聚类患者相似的联合数据分布。我们的方法的灵活性产生的预测，捕捉联合数据分布比常用的零膨胀的方法。此外，我们证明，我们的模型可以连贯地纳入一个标准化程序，用于计算因果效应估计，这些数据病理是强大的。该模型所有级别的不确定性都流向感兴趣的因果效应估计-允许简单的点估计、区间估计和验证阳性的后验预测检查，这是一个必需的因果识别假设。我们的模拟结果表明，在复杂的数据设置下，点估计有低偏差和区间估计有接近名义覆盖。在更简单的设置下，这些结果保持不变，同时比比较方法产生更低的效率损失。最后，我们使用我们提出的方法来分析零膨胀的住院医疗费用子宫内膜癌患者接受化疗和放疗的SEER医疗数据库。
2019-03-09 stat.ME
Network-aware IV Regression for Causal Node Discovery and Estimation
本文提出一种两阶段回归框架，结合工具变量和图正则化，以发现网络结构中稀疏的因果效应。方法在存在潜在混杂时有效恢复因果支持，并在脑成像和遗传数据中验证了其有效性。
2026-06-29 stat.ME
Causal Effect Estimation and Optimal Dose Suggestions in Mobile Health
在这篇文章中，我们提出了新的结构嵌套模型来估计基于移动健康数据的连续治疗的因果效应。为了找到优化患者预期短期结局的治疗方案，我们定义了加权滞后K优势作为价值函数。最佳的治疗方案，然后被定义为一个最大化的价值函数。我们的方法对数据生成过程施加了最小的假设。为估计参数提供了统计推断。模拟研究和俄亥俄州1型糖尿病数据集的应用表明，我们的方法可以为移动健康数据的剂量建议提供有意义的见解。
2020-07-23 stat.ME
On efficient covariate adjustment selection in causal effect estimation
本文针对观测数据因果效应估计中的协变量调整选择问题，提出基于混合整数优化和因果约束的无图方法CMIO，在存在隐藏变量及缺乏因果充分性条件下实现有效且高效的协变量调整。
2023-05-26 stat.ME
To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data
The University of Queensland（昆士兰大学）；Health and Wellbeing Queensland（昆士兰健康与福利局）；University of Electronic Science and Technology of China（电子科技大学）
针对网络化数据因果效应估计中违背positivity假设导致不可靠的问题，提出带Lipschitz约束的GraphDKL框架，利用高斯过程建模预测不确定性以识别不可靠估计，是首个解决图上该问题的框架。
2023-09-15 cs.AI cs.LG stat.ME
Information criteria for sparse methods in causal inference
对于倾向得分分析和稀疏估计，我们提出了一个信息准则来确定变量选择所需的正则化参数。首先，对于基于高斯分布的因果推断模型，我们扩展了Stein的无偏风险估计理论，得到了一个几乎没有传统稀疏估计弱点的广义Cp准则，并在不考虑渐近性的情况下，导出了该准则的逆概率加权稀疏估计版本.接下来，对于一般的因果推断模型，不一定是高斯分布为基础的，我们扩展了渐近理论LASSO的倾向得分分析，实现双重强大的稀疏估计的意图。从渐近理论出发，给出了逆概率加权稀疏估计的AIC型信息准则，进而导出了双抗差稀疏估计的自身具有双抗差的准则。数值实验比较所提出的标准与现有的标准来自一个正式的论点，并验证所提出的标准是优越的，在几乎所有的情况下，差异是不可忽略的，在许多情况下，变量选择的结果显着不同。实际数据分析证实，这些标准的变量选择和估计之间的差异实际上是很大的。最后，推广到一般稀疏估计使用组LASSO，弹性网，和非凸正则化，以表明该准则是高度可扩展的。
2022-04-21 stat.ME
Nonparametric efficient causal estimation of the intervention-specific expected number of recurrent events with continuous-time targeted maximum likelihood and highly adaptive lasso estimation
本文针对连续时间复发性事件数据，利用g-计算和乘积积分干预定义因果目标参数，并提出结合目标最大似然估计与高度自适应套索的双重稳健非参数推断方法。
2025-04-11 stat.ME
Maximum Entropy Estimation of Heterogeneous Causal Effects
该研究针对因果推断中无强可忽略处理分配假设的场景，提出用最大熵原理估计异质性因果效应的方法，得出关联部分虚假部分因果的审慎结论，并应用于大麻与硬毒品使用的关联分析。
2024-07-11 stat.ME
Sufficient Dimension Reduction for Average Causal Effect Estimation
University of South Australia（南澳大学）
具有大量协变量可能对因果效应估计的质量产生负面影响，因为当协变量的数量相对于可用样本较大时，混杂调整变得不可靠。倾向得分是处理大型协变量集的常用方法，但倾向得分估计（通常通过逻辑斯谛回归完成）的准确性也受到大量协变量的挑战。在本文中，我们证明了一个大的协变量集可以减少到一个较低的维表示，捕捉完整的信息调整的因果效应估计。理论结果使有效的数据驱动算法的因果效应估计。提出了一种基于监督核降维方法的协变量降维算法，该算法首先对原协变量进行低维表示，然后在降维后的协变量空间中利用最近邻匹配对反事实结果进行插补，避免了大规模协变量集问题。在两个半合成数据集和三个真实数据集上对所提出的算法进行了评估，结果表明了算法的有效性。
2020-09-14 cs.AI stat.ME
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计，涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法，并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Linking a predictive model to causal effect estimation
University of South Australia（南澳大学）
本文解决了估计任意特征对给定实例结果的因果效应问题，证明满足特定条件的预测模型可进行因果可解释估计，且准确性与先进因果方法相当，适用于鲁棒预测与个性化决策。
2023-04-10 cs.AI cs.LG stat.ME
RepFlow: Representation Enhanced Flow Matching for Causal Effect Estimation
Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University, Hong Kong, China（数据科学与人工智能系，香港理工大学，香港，中国）
RepFlow通过结合表示学习与条件流匹配，解决因果推断中的选择偏差问题，提升因果效应估计的精度与鲁棒性。
2026-05-07 cs.LG stat.ME
Causal Inferences in Small Area Estimation
在进行影响评价和进行因果推断时，重要的是要认识到不同领域（地理、社会人口统计学或社会经济学）的处理效应的异质性。如果感兴趣的域相对于其样本量较小（在某些情况下甚至为零），则评价者已进入小面积估计（SAE）困境。本文在对逆倾向加权估计和传统小区域预测方法进行改进的基础上，提出了一种新的非规划区域平均处理效应的区域特异性估计方法。通过这些方法，我们还可以提供政策影响图，这有助于更好地针对治疗组。我们开发的分析均方误差（MSE）估计建议的预测。一个广泛的模拟分析，也基于真实数据，表明所提出的技术在大多数情况下导致更有效的估计。
2021-03-11 stat.ME
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation
Technical University of Munich（慕尼黑工业大学）；Mila - Quebec AI Institute（米拉 - 魁北克人工智能研究所）；ServiceNow Research（ServiceNow研究院）；Université de Montréal（蒙特利尔大学）；Helmholtz AI（亥姆霍兹人工智能研究所）
针对因果发现方法评估中忽视下游推断的问题，该研究在处理效应估计任务上评估了七种方法（含基于GFlowNets的新方法），通过分布层面评估揭示了不同算法在捕捉ATE模式上的表现差异。
2023-07-30 cs.LG stat.ME
An instrumental variable method for point processes: generalised Wald estimation based on deconvolution
点过程是对事件数据建模的概率工具。虽然有一个快速增长的文献研究点过程之间的关系，它仍然没有探索如何连接到因果关系的影响。在存在不可测量的混杂因素时，点过程模型的参数不一定具有因果解释。我们提出了一个工具变量方法，用于具有点过程处理和结果的因果推断。我们定义的因果量的基础上，潜在的结果和建立非参数识别结果与二进制工具变量。我们将传统的Wald估计扩展到处理点过程治疗和结果，表明它应该在对治疗和结果的意向治疗效果进行傅立叶变换后进行，从而采取反卷积的形式。我们将其称为广义Wald估计，并提出了一种基于成熟的反卷积方法的估计策略。
2023-01-09 stat.ME
Causal Effect Estimation on Restricted Mean Survival Time in Case-Cohort Studies via a Matching Design
Ohio State University（俄亥俄州立大学）
本文提出一种基于分层病例队列设计的RMST差异因果效应估计方法，通过创新的模板匹配设计调整混杂因素，通过仿真实验验证了模板匹配优于传统匹配，并应用于ARIC研究估计hs-CRP水平对冠心病无事件生存的影响。
2026-05-06 stat.ME
Simultaneous Estimation of Multiple Treatment Effects from Observational Studies
针对观察性研究中多重处理效应估计受未测量混杂困扰、代理变量不足的问题，提出基于因果效应稀疏性假设的新方法，可自主选择非零效应处理实现稀疏估计，经模拟和GWAS数据集验证，比现有方法更有效鲁棒。
2025-01-14 stat.ME
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation
Yale University（耶鲁大学）
本文提出利用 LLM 生成的预测直接作为预测变量，以提升双重机器学习中条件期望函数的估计性能，从而有效克服高维混淆因子下的维度灾难并提高因果估计效率。
2025-10-09 cs.LG stat.ME
End-to-End Balancing for Causal Continuous Treatment-Effect Estimation
Amazon.com, Inc.（亚马逊公司）；Wharton School of the University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
本文在逆倾向分数加权的框架下研究了连续处理的观察因果推理问题。为了获得稳定的权重，我们设计了一种基于熵平衡的新算法，该算法使用端到端优化来学习权重以直接最大化因果推理准确性。在优化过程中，这些权重会自动调整到所使用的特定数据集和因果推理算法。我们提供了一个理论分析，证明我们的方法的一致性。使用合成和真实世界的数据，我们表明，我们的算法估计因果关系比基线熵平衡更准确。
2022-07-10 cs.LG stat.ME stat.ML
Relaxed covariate overlap and margin-based causal effect estimation
在大多数非随机观察性研究中，治疗组间的差异不仅可能由于治疗，还可能由于混杂因素的影响。因此，关于处理效应的因果推断不像随机试验那样直接。为了调整由于测量的协变量引起的混杂，使用基于潜在结局框架的各种方法来估计平均处理效应。其中一个关键假设是治疗积极性，即对于任何可能的混杂因素组合，治疗的概率都不超过0和1。当违反这一假设时，用于执行因果推断的方法相对有限。在这篇文章中，我们讨论了一个新的平衡相关的条件，涉及到治疗组的凸包，我术语放松协变量重叠。这个概念的一个优点是，它可以链接到一个概念，从机器学习，称为余量。松弛的协变量重叠的引入导致一种方法，其中可以执行因果推断在三个步骤的方式。用两个例子说明了该方法。
2018-07-03 stat.ME
Causal Effect Estimation: Recent Advances, Challenges, and Opportunities
Ant Group（蚂蚁集团）；University of Virginia（弗吉尼亚大学）
因果推理在许多领域都有大量的实际应用，如医疗保健，市场营销，政治学和在线广告。治疗效果估计是因果推断中的一个基本问题，几十年来一直是统计学中广泛研究的问题。然而，传统的治疗效果估计方法可能不能很好地处理大规模和高维异构数据。近年来，一个新兴的研究方向在广阔的人工智能领域引起了越来越多的关注，它结合了传统治疗效果估计方法的优点（例如，倾向分数、匹配和重新加权）和高级机器学习方法（例如，表示学习、对抗学习和图神经网络）。虽然先进的机器学习方法在治疗效果估计方面表现出了非凡的性能，但也带来了许多新的课题和新的研究问题。鉴于因果推理领域的最新研究成果，我们全面讨论了治疗效果估计任务的三个核心组成部分的挑战和机遇，即，治疗、协变量和结局。此外，我们还从多个角度展示了这一主题有前途的研究方向。
2023-02-02 cs.LG stat.ME stat.ML
High Fidelity Image Counterfactuals with Probabilistic Causal Models
Imperial College London（伦敦帝国理工学院）；Microsoft Research Cambridge（微软剑桥研究院）
针对高维图像类结构化变量的反事实与干预查询估计难题，研究结合因果中介分析思路与生成建模进展，提出含新型深度因果机制的通用因果生成建模框架，实验验证其在溯因及各类效应估计上的准确性。
2023-07-18 cs.LG stat.ME
Learning Conditional Instrumental Variable Representation for Causal Effect Estimation
University of South Australia（南澳大学）
本文提出DVAE.CIV方法，利用解纠缠表示学习自动学习条件工具变量及其条件集的表示，以消除未测量混杂偏差，在合成和真实数据上优于现有因果效应估计器。
2023-06-21 cs.AI cs.LG stat.ME
Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach
Cornell University（康奈尔大学）；Tsinghua University（清华大学）
本文针对未观测混杂且存在负对照的因果推断问题，提出无需完备性条件的识别策略，基于极小极大学习构建适配通用函数类的桥函数估计量，研究其有限样本收敛结果。
2026-10-27 cs.LG stat.ME stat.ML
An R package for parametric estimation of causal effects
该研究推出R包CausalModels，整合了Hernan与Robins提出的传统统计因果推断方法，提供无需深厚统计知识即可处理观测数据偏差的工具，搭建了多方法统一建模的易用框架。
2023-07-18 cs.LG cs.MS stat.AP
Neyman Jackknife: Design-Based Variance Estimation for Causal Inference under Interference
Stanford University（斯坦福大学）
本文提出Neyman Jackknife框架，提供一种通用方法，用于在存在干扰的情况下保守估计因果推断中的变异数。该方法在经典设置中恢复与Neyman估计器和Newey-West HAC方差估计器相关的估计器，并通过数值实验表明其性能可与专门设计的基准方法相媲美。
2026-04-27 math.ST stat.ME stat.TH
Do Finetti: On Causal Effects for Exchangeable Data
Toyota Research Institute（丰田研究所）；Oregon State University（俄勒冈州立大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
针对非独立同分布的可交换数据，提出广义因果效应估计框架与截断分解公式，实现多环境数据下的因果效应识别、估计及因果发现。
2024-05-29 cs.LG stat.ME
